彩色遥感图像的一种边缘检测算法研究

针对彩色遥感图像的复杂性、模糊性和噪声强等特点,提出了一种基于多方向模糊形态学梯度的彩色遥感图像边缘检测算法.算法在模糊域中用多个不同方向的结构元素,对彩色遥感图像进行模糊形态学梯度运算以检测彩色遥感图像边缘,不但能检测出具有方向性的真实边缘,还能有效抑制无方向性的噪声.实验证明,该算法对彩色遥感图像进行边缘检测的有效性.     

基于边缘特征和AdaBoost分类的遥感图像云检测

传统遥感图像云检测方法在处理山地、雪地、暗云等场景时极易发生错判,准确度较低。通过对遥感图像中云与地物的不同特点进行分析,提出一种新的遥感图像边缘特征描述方法,结合图像的边缘特征和灰度特征使用AdaBoost分类器进行云图分类,并利用图像的空间相关性对分类结果进行修正。经10万余幅图像测试结果表明:该算法与传统算法相比准确度极大提高,正确率达到96%以上,且运算速度快,满足实时性要求。     

基于双搜索蜂群算法的四元数彩色遥感图像边缘检测

随着遥感图像大数据的出现,常见的彩色遥感图像边缘检测方法运算量大、速度慢、效果差等缺点越来越明显。以四元数表示彩色像素为基础,改进人工蜂群算法的单一搜索方程,加大雇主蜂搜索范围,加入跟随蜂莱维飞行因子,提出了基于双搜索方程的人工蜂群算法。实验结果表明,该算法具有计算量小、去噪能力强、边缘检测效果好等优点。该算法能有效地应用于从遥感图像中获取识别目标。     

彩色遥感图像目标提取方法研究

目标提取是对遥感图像进行分析处理的一个重要内容。针对彩色遥感图像的特征,首先采用了传统的边缘检测方法,验证其存在的不足。进而运用模糊聚类分析的模糊C-均值算法,选择适当的正交彩色特征,实现了对图像中目标区域的有效分割与快速提取,为遥感图像识别与计算提供了可靠的基础。研究实例表明了算法的有效性。     

基于频谱分析的高分辨率遥感图像边缘特征检测研究

针对高分辨率遥感图像的边缘特征,提出了一种基于频谱分析的图像边缘检测方法.首先对南京市主城区典型地物QuickBird图像进行傅里叶变换,分析频谱能量的角向分布特征,对最大角向能量分布曲线求一阶导数,将其峰值作为边缘检测滤波器的中心频率.通过设计方向Gabor滤波器进行频域滤波,达到图像边缘特征检测的目的.结果表明,进行频谱分析能够确定图像边缘特征的最佳截止频率,从而为高分辨率遥感图像边缘特征检测提供一种新方法.     

基于邻域彩色变化矢量场的图像边缘检测技术研究*

首先进行了边缘检测系统结构设计,建立了图像邻域彩色变化矢量场的数理模型,提出了用图像邻域彩色变化方向锐度描述图像边缘,进而应用模糊聚类自适应检测边缘.实验表明:与基于梯度的边缘检测技术相比,该方法在噪声抑制以及边缘准确定位上均取得了好的效果,是一种应用广泛的优秀边缘检测算法.     

结合相位一致与全变差模型的高分辨率遥感图像边缘检测

目的边缘检测是有效利用遥感数据开展地物目标自动识别的重要步骤。高分辨率遥感图像地物类型复杂,细节信息过于丰富,使得基于相位一致的边缘检测结果中存在过多的噪声与伪边缘。为此提出了一种结合相位一致与全变差模型的高分辨率遥感图像边缘检测方法。方法根据相位一致原理,应用Log Gabor构造的2维相位一致模型,引入全变差去噪模型对基于相位一致的边缘强度图进行改进。结果借助有界变差空间对图像光滑性的约束,实现了高分辨率遥感图像噪声去除与伪边缘抑制,利用改进后的相位一致边缘强度图可有效检测高分辨率遥感图像的边缘。结论实验结果表明,与相位一致模型、Canny算法相比,该方法能消除了高分辨率遥感图像中同类地物内部细节特征形成的噪声,抑制相位一致边缘检测结果中的伪边缘,突出地物的真实边缘,并能正确地提取地物目标的整体轮廓信息,有助于后续地物目标的自动识别。     

一种新的多方向模糊形态学边缘检测算法

本文提出了一种多方向模糊形态学边缘检测算法.算法将经典集上的形态学运算扩展倒模糊集,而且基于边缘的多方向特征,结合了模糊集理论和数学形态学,构造了多方向结构元素进行边缘检测.仿真实验证明该方法能够较好地去除椒盐噪声和高斯噪声,并且能够很好地检测图像的边缘.     

基于多尺度自适应加权的改进Canny算子

在Canny算法框架下,对彩色遥感图像进行多尺度滤波分析。定义多个不同尺度的高斯滤波器,在每个尺度下,分别对遥感图像RGB三个通道进行滤波和梯度计算,取三个通道的梯度最大值为该尺度下的遥感图像梯度值。根据各个尺度的滤波器对噪声的抑制能力及边缘定位能力的不同,自适应地确定相应的权值大小,然后再将这些不同尺度下检测到的梯度图像用自适应确定的权值进行加权合成最终的梯度图像。在此基础上,由非极大值抑制和双阈值处理得到图像边缘。实验结果表明,该算法比传统的Canny算子在噪声抑制和边缘定位方面具有更优的性能,适合彩色遥感图像的边缘检测。     

构件孔洞缺陷图像的边缘检测

研究图像边缘检测技术,针对存在的孔洞缺陷和噪声影响边缘定位精度,通过ICT图像缺陷边缘检测,具有成像直观、分辨率高等优点.传统采用的边缘检测方法一般都定位在单一的传统检测算法,由于传统的边缘检测算法存在边缘检测模糊或对噪声敏感的缺点.为了解决上述问题,提出了一种检测结构件内部孔洞型缺陷边缘的算法,利用区间值模糊集中的模糊归熵将孔洞缺陷的模糊边缘提取出来,提出一种区域标记算法,得到最终的精确缺陷边缘.试验结果表明,所提出的边缘检测算法不仅很好地解决了噪声问题,而且更具有很好的边缘提取能力,在边缘连续的同时又保证了边缘定位的准确性,明显提高了图像的质量.     

一种鲁棒性的遥感图像地域分类新方法

目前遥感图像分类算法面临的主要问题是分类精度与算法复杂度的矛盾及算法缺乏鲁棒性。为此,提出了一种基于特征空间重采样的非参数化核密度估计聚类与边缘检测相融合的多模型鲁棒性遥感图像分类方法。首先对遥感图像进行边缘检测以获取图像中每个像素的边缘梯度和方向信息;然后利用重采样策略,在联合域中对新的样本集合进行加权均值平移滤波,找到图像各区域的核密度函数局部最大值,通过迭代移动附近的数据点到此局部最大值;最后对各个分割区域进行合并,得到最终的分类图。实验结果表明,算法可获得高精度的遥感图像分类结果,且具有很强的鲁棒性。     

一种鲁棒性的遥感图像地域分类新方法

目前遥感图像分类算法面临的主要问题是分类精度与算法复杂度的矛盾及算法缺乏鲁棒性。为此,提出了一种基于特征空间重采样的非参数化核密度估计聚类与边缘检测相融合的多模型鲁棒性遥感图像分类方法。首先对遥感图像进行边缘检测以获取图像中每个像素的边缘梯度和方向信息;然后利用重采样策略,在联合域中对新的样本集合进行加权均值平移滤波,找到图像各区域的核密度函数局部最大值,通过迭代移动附近的数据点到此局部最大值;最后对各个分割区域进行合并,得到最终的分类图。实验结果表明,算法可获得高精度的遥感图像分类结果,且具有很强的鲁棒性。     

基于遥感数据特征和像元替换技术的边缘提取方法

随着城市化的发展，城市遥感领域在中国发展迅速。高分辨遥感图像的边缘提取是当前城市遥感的重要研究领域。实践中，传统的边缘检测算子主要是通过图像空城特征微分，建立不同结构的模板完成。高分辨率遥感数字图像包括了空间域和光谱域两种信息，因此，借助于图像的光谱和空间域两种特征信息提高提取城市边缘信息精度已经成为当前算法开发的基本思路。该研究通过设计光谱分解和边缘检测的算子模板，综合利用了图像的光谱、空间特征信息。研究结果表明，这种方法有效地提高了城市遥感数据边缘信息的提取精度，同时还具有方法简便、计算速度怏的特点。     

基于深度学习的卫星遥感图像边缘检测方法

为解决卫星遥感图像边缘模糊噪点过多,导致图像清晰度过低的问题,提出基于深度学习的卫星遥感图像边缘检测方法。利用Softmax分类器结构,提取边缘图像节点处的数据信息参量,遵循深度学习算法,完成对图像信息的卷积与池化处理,实现基于深度学习的卫星遥感图像识别。根据尺度空间定义原则,确定边缘检测特征点所处位置,再联合梯度信息熵计算结果,完成对卫星遥感图像的拼接处理。分别计算一阶微分边缘算子、二阶微分边缘算子的具体数值,确定梯度幅值的取值区间,总结已知数值参量,建立完整的双阈值表达式,完成基于深度学习的卫星遥感图像边缘检测方法的设计。实验结果表明,应用所提方法后卫星遥感图像边缘节点处信噪比指标增大,可有效控制模糊噪点对图像清晰度的影响,在卫星遥感图像边缘精准检测方面具有较强的实用性。     

一种用细胞神经网提取遥感图像边缘的新方法*

针对灰度遥感图像具有噪声多、图像亮度均匀、边缘模糊等特点,提出了基于细胞神经网遥感图像边缘检测的新方法。该算法主要是利用细胞神经网先后对遥感图像进行图像滤波、灰度阈值化、膨胀腐蚀、边缘检测等模板操作。实验结果表明,与传统的Sobel和Canny边缘检测算法相比,本算法不仅能有效地去除噪声对边缘检测的影响,而且能够快速完整地提取图像边缘。     

结合饱和度运算和暗通道理论的遥感图像去雾算法

为了解决传感器雾天条件下捕获的遥感影像出现模糊,色彩偏移,地物信息丢失严重等问题,结合饱和度运算和暗通道理论提出一种遥感图像去雾算法（简称RSIDA算法）。RSIDA算法首先采用加权四叉树算法对最小通道图进行快速搜索获取全局环境光值,然后在HSV颜色空间通过饱和度运算估计大气透射率,接着设置阈值调整场景透射率并采用递归双边滤波器对其进行优化,最后通过物理模型恢复雾气降质遥感图像。通过对比实验和定量分析,结果表明RSIDA算法能够较好地恢复雾气降质遥感图像的清晰度和色彩,提高遥感图像的质量,且运算效率能够满足实时性需求。     

基于边缘检测及RBF神经网络的遥感图像帧特征动态识别技术

为解决分辨率超限问题,实现对遥感图像帧特征对象的精准识别,提出基于边缘检测及RBF神经网络的遥感图像帧特征动态识别技术。求解微分算子与OTSU阈值,并以此为基础,确定边缘节点追踪参数的取值范围,实现对遥感图像边缘检测。根据RBF神经网络机制的构建标准,推导神经性激活函数,完成RBF神经网络识别模型的设计。在所选遥感图像中,实施帧特征分割处理,再联合动态合并条件,计算超像素指标与并行识别参量,完成基于边缘检测及RBF神经网络的遥感图像帧特征动态识别方法的设计。实验结果表明,在边缘检测与RBF神经网络模型的作用下,主机元件在长、宽、高三个方向上对于遥感图像帧特征对象的识别精度都达到了100%,分辨率超限问题得到较好解决,符合精准识别遥感图像特征的实际应用需求。